opencv基础（三）--图像基本处理

最新推荐文章于 2024-05-29 16:22:17 发布

卷心菜菜_

最新推荐文章于 2024-05-29 16:22:17 发布

阅读量1k

点赞数

分类专栏： opencv 文章标签： opencv 计算机视觉 python

本文链接：https://blog.csdn.net/yl13137749352/article/details/126322710

版权

opencv 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

一、直方图均衡化

目的：直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法。
直方图均衡化方法的基本思想是对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减。从而达到清晰图像的目的。

函数：cv2.equalizeHist(img)

步骤：统计直方图中每个灰度值出现的次数；计算累计归一化直方图；重新计算像素点像素值

import cv2
import numpy as np
from matplotlib import pyplot as plt
#灰度图
img=cv2.imread("test.jpg",0)
#cv2.imshow("img",img)
img_equal=cv2.equalizeHist(img)
cv2.imshow("img_equal",img_equal)
#彩色图像进行直方图均值化需要先进行通道分离
img1=cv2.imread("test.jpg",1)
(b,g,r)=cv2.split(img1)
bH=cv2.equalizeHist(b)
gH=cv2.equalizeHist(g)
rH=cv2.equalizeHist(r)
res=cv2.merge((bH,gH,rH))
cv2.imshow("img_res",res)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、Gamma变化

Gamma变换是对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系;

$V_{out}=AV_{in}^{\gamma }$
目的:Gamma变换就是用来图像增强,其提升了暗部细节，通过非线性变换，让图像从曝光强度的线性响应变得更接近人眼感受的响应，即将漂白（相机曝光)或过暗（曝光不足)的图片，进行矫正。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread("cv.png")
def adjust_gamma(image,gamma=1.0):
    invGamma=1.0/gamma
    table=[]
    for i in range(256):
        table.append(((i/255.0)**invGamma)*255)
    table=np.array(table).astype("uint8")
    #将变换前后的数字一一对应
    return cv2.LUT(image,table)

img_gamma=adjust_gamma(img,0.5)

cv2.imshow("img_gamma",img_gamma)
cv2.waitKey(0)
cv2.destroyAllWindows()

当gamma>1时，图像整体变得更亮；当0<gamma<1时，图像会变得更暗

三、图像形态学操作

形态学主要用于从图像中提取对表达和描绘区域形状有意义的图像分量，使后续的识别工作能够抓住目标对象最为本质的形状特征，如边界和连通区域等。
形态学基本运算：腐蚀（Dilation）和膨胀（Erosion），其中膨胀类似于“领域扩张”，将图像中的白色部分进行扩张，其运行结果图比原图的白色区域更大;腐蚀类似于“领域被蚕食”，将图像中白色部分进行缩减细化，其运行结果图比原图的白色区域更小。
首先了解一下结构元素：设有两幅图像B，X。若X是被处理的对象，而B是用来处理X的，则称B为结构元素(structureelement)，又被形象地称做刷子。结构元素通常都是一些比较小的图像。
图像腐蚀：腐蚀操作的运算符是“_”，定义如下：

$A-B=\left \{ x|B_{x}\subseteq A\right \}$

该公式表示图像A用卷积模板B来进行腐蚀处理通过模板B与图像A进行卷积计算，得出B覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值。

函数：cv2.erode(src,element,anchor,iteration)

参数1: src，原图像
参数2:element，腐蚀操作的内核，默认为一个简单的3x3矩
参数3: anchor，默认为Point(-1,-1),内核中心点

参数4: iterations，腐蚀次数,默认值1

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread("cv1.png")
#cv2.imshow("img",img)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
kernel=np.ones((3,3),np.uint8)
erosion=cv2.erode(img,kernel,iterations=1)
plt.subplot(121),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(erosion),plt.title("erode")
plt.xticks([]),plt.yticks([])
plt.show()

图像膨胀：把结构元素B平移a后得到Ba，若Ba击中X（也就是结构元素B平移后与X有交集即可），我们记下这个a点。所有满足上述条件的a点组成的集合称做X被B膨胀的结果。如右图所示。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread("cv1.png")
#cv2.imshow("img",img)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#kernel=np.ones((3,3),np.uint8)
kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
dilation=cv2.dilate(img,kernel,iterations=1)
plt.subplot(121),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(dilation),plt.title("dilation")
plt.xticks([]),plt.yticks([])
plt.show()

开运算：开运算=先腐蚀运算，再膨胀运算（看上去把细微连在一起的两块目标分开了）运算效果如下

开运算总结:
1．开运算能够除去孤立的小点，毛刺和小桥，而总的位置和形状不变。开运算是一个基于几何运算的滤波器。
2．结构元素大小的不同将导致滤波效果的不同。
3．不同的结构元素的选择导致了不同的分割，即提取出不同的特征。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread("cv1.png")
#cv2.imshow("img",img)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#kernel=np.ones((3,3),np.uint8)
kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
open=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
plt.subplot(121),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(open),plt.title("open")
plt.xticks([]),plt.yticks([])
plt.show()

闭运算：开运算=先膨胀运算，再腐蚀运算（看上去把细微连在一起的图块封闭在一起）运算效果如下

闭运算总结:
1．闭运算能够填平小湖(即小孔)，弥合小裂缝，而总的位置和形状不变，它是通过填充图像的凹角来滤波图像的。
2．结构元素大小的不同将导致滤波效果的不同，不同结构元素的选择导致了不同的分割。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread("cv1.png")
#cv2.imshow("img",img)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#kernel=np.ones((3,3),np.uint8)
kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
closing=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
plt.subplot(121),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(closing),plt.title("close")
plt.xticks([]),plt.yticks([])
plt.show()

形态学梯度(Gradient) :（也就是图像膨胀和腐蚀之间的区别，结果看起来像对象的轮廓）
基础梯度:基础梯度是用膨胀后的图像减去腐蚀后的图像得到差值图像，也是opencv中支持的计算形态学梯度的方法，而此方法得到梯度有称为基本梯度。
内部梯度:是用原图像减去腐蚀之后的图像得到差值图像，称为图像的内部梯度。
外部梯度:图像膨胀之后再减去原来的图像得到的差值图像，称为图像的外部梯度。
顶帽(Top Hat) :原图像与开运算图的区别(差值)，突出原图像中比周围亮的区域
黑帽(Black Hat) :闭操作图像–原图像,突出原图像中比周围暗的区域

#形态学梯度
import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread("cv1.png")
#cv2.imshow("img",img)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
kernel=np.ones((3,3),np.uint8)
#kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
gradient=cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
plt.subplot(121),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(gradient),plt.title("gradient")
plt.xticks([]),plt.yticks([])
plt.show()

#顶帽
import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread("cv1.png")
#cv2.imshow("img",img)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
kernel=np.ones((3,3),np.uint8)
#kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
plt.subplot(121),plt.imshow(img),plt.title("original")
plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(tophat),plt.title("tophat")
plt.xticks([]),plt.yticks([])
plt.show()

卷心菜菜_

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
opencv基础（三）--图像基本处理

目的:Gamma变换就是用来图像增强,其提升了暗部细节，通过非线性变换，让图像从曝光强度的线性响应变得更接近人眼感受的响应，即将漂白（相机曝光)或过暗（曝光不足)的图片，进行矫正。1．闭运算能够填平小湖(即小孔)，弥合小裂缝，而总的位置和形状不变，它是通过填充图像的凹角来滤波图像的。1．开运算能够除去孤立的小点，毛刺和小桥，而总的位置和形状不变。2．结构元素大小的不同将导致滤波效果的不同，不同结构元素的选择导致了不同的分割。3．不同的结构元素的选择导致了不同的分割，即提取出不同的特征。...
复制链接

扫一扫

专栏目录